| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 选题依据及研究意义 | 第14-16页 |
| 1.2 视觉SLAM框架描述 | 第16-17页 |
| 1.3 国内外研究现状 | 第17-19页 |
| 1.4 本文的工作内容及章节安排 | 第19-21页 |
| 1.4.1 工作内容 | 第19页 |
| 1.4.2 章节安排 | 第19-21页 |
| 第二章 深度信息采集与Kinect相机标定 | 第21-40页 |
| 2.1 Kinect V2传感器介绍 | 第21-23页 |
| 2.2 Kinect数据采集与深度可视化 | 第23-25页 |
| 2.2.1 Kinect数据采集 | 第23页 |
| 2.2.2 Kinect深度信息可视化 | 第23-25页 |
| 2.3 Kinect相机标定与图像匹配 | 第25-38页 |
| 2.3.1 相机成像模型 | 第26-29页 |
| 2.3.2 透镜畸变模型 | 第29-30页 |
| 2.3.3 Kinect相机标定 | 第30-38页 |
| 2.4 深度信息的三维点云表示 | 第38-39页 |
| 2.5 本章小结 | 第39-40页 |
| 第三章 Kinect深度图像噪声特性及其降噪算法研究 | 第40-49页 |
| 3.1 Kinect深度图像噪声分析 | 第40-42页 |
| 3.1.1 系统性误差 | 第40-41页 |
| 3.1.2 非系统性误差 | 第41-42页 |
| 3.2 深度信息去噪算法研究 | 第42-46页 |
| 3.2.1 中值滤波算法 | 第42-44页 |
| 3.2.2 高斯滤波算法 | 第44页 |
| 3.2.3 双边滤波算法 | 第44-46页 |
| 3.3 去噪算法性能评价实验 | 第46-48页 |
| 3.3.1 评价指标选取 | 第46-48页 |
| 3.3.2 实验结果及分析 | 第48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 基于特征点法的RGB-D视觉里程计研究 | 第49-66页 |
| 4.1 特征点法的RGB-D SLAM视觉里程计概述 | 第49-50页 |
| 4.2 基于GPU加速的SIFT特征提取与匹配 | 第50-63页 |
| 4.2.1 特征点检测与描述 | 第50-51页 |
| 4.2.2 SIFT特征提取与匹配 | 第51-57页 |
| 4.2.3 GPU加速实现 | 第57-63页 |
| 4.3 相机姿态估计 | 第63-65页 |
| 4.4 本章小结 | 第65-66页 |
| 第五章 RGB-D SLAM后端优化研究 | 第66-79页 |
| 5.1 传统基于拓展卡尔曼滤波器的优化方法 | 第66-68页 |
| 5.2 基于姿态图的SLAM后端优化方法 | 第68-72页 |
| 5.2.1 姿态图优化原理 | 第68-70页 |
| 5.2.2 姿态图构建 | 第70-71页 |
| 5.2.3 回环检测 | 第71-72页 |
| 5.3 实验结果及分析 | 第72-78页 |
| 5.4 本章小结 | 第78-79页 |
| 第六章 总结与展望 | 第79-81页 |
| 6.1 论文工作总结 | 第79页 |
| 6.2 展望 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 致谢 | 第85-86页 |
| 在学期间的研究成果及发表的学术论文 | 第86页 |